打开文本图片集

摘 要：针对模糊图像中仪表盘检测准确率不高的问题，提出了一种基于修正力的改进Snake模型。首先，采用Hough变换确定模糊图像中仪表盘所在的区域。其次，以Hough变换检测到的区域边界为Snake算法的初始边界，引入修正力参数，扩大Snake算法的控制范围，调整能量函数对目标曲线的连续控制，实现模糊图像中仪表盘的精确定位。实验结果表明，基于修正力的改进Snake算法，对于模糊图像中的仪表盘检测准确率，比传统Snake算法提升近20%。

关键词：模糊图像，仪表盘，Snake模型，准确率

DOI：10.15938/j.jhust.2018.02.012

中图分类号： TP391

文献标志码： A

文章编号： 1007-2683（2018）02-0065-05

Abstract：In order to solve the problem that the accuracy of the dashboard detection in fuzzy images is not high， an improved Snake model based on the correction force is proposed. First， the Hough transform is used to determine the area of the dashboard in the fuzzy image. Secondly， the boundary area detected by Hough transform is the initial boundary of Snake algorithm. The correction force parameter is introduced to expand the control range of Snake algorithm， adjust the continuous control of energy function to the target curve， and achieve the precise location of the dashboard in the fuzzy image. The experimental results show that the improved Snake algorithm based on the correction force is nearly 20% better than the traditional Snake algorithm for the accuracy of the dashboard detection in the fuzzy image.

Keywords：fuzzy image， dashboard， Snake model， accuracy rate

0 引 言

指针仪表在汽车领域、工业制造领域大量使用，用于反馈油气流量、压力、压强、温度等物理参数[1-2]。

在一些特殊场合中，加工制造的过程具有一定危险性，用机器视觉的方法完成指针仪表的远程读数是一种理想的方法[3-4]。从视觉检测过程来看，要完成指针仪表的智能读数，需要对指针仪表图像進行噪声去除、前景背景分割、边缘检测、轮廓提取、刻度识别、字符识别等处理[5-10]。

指针式仪表大多配置圆形表盘，刻度、指针都分布在表盘区域以内。因此，对于视觉检测而言，能够准确地检测到圆形表盘是完成智能读数的关键工作[11]。对于圆形轮廓的提取和定位，在视觉检测领域一般采用链码追踪、轮廓提取、Hough变换等方法[12-13]。

指针仪表图像在工业现场中的拍摄，有时会出现模糊的情况，这是因为：成像系统有可能出现故障，成像环境中气体构成发生变化，成像过程中摄像系统被震动影响，成像区域受到运动影响[14]。

如果指针仪表图像出现了模糊，常规的视觉检测方法就无法有效地检测到圆盘区域。Snake检测算法，通过设计力学参数控制的能量模型，在迭代过程中不断向精确的圆盘边界靠拢，即便是图像模糊时，也可以检测到圆盘边界[15-16]。Snake算法的主要不足是，模型中力的控制范围有限，边界定位的准确率较低[17]。据此，本文对Snake算法进行改进，提出了基于修正力的Snake模型，更好地适用于指针仪表的圆盘检测。

1 Snake算法及模型

Snake算法以最终要定位的闭合曲线为逼近目标，它可以用Z（s）=（x（s），y（s））来表达，参数s在0到1的范围上变化。参数x、y代表了目标曲线上点的坐标，参数s代表了目标曲线的弧长。

为了达到对目标曲线定位过程的控制，Snake算法在曲线内外设置了两个能量参数。通过这两个参数的不断调整，实现在目标曲线内外两个力场的控制，进而引导目标曲线逼近目标位置。

2 本文对Snake算法的改进处理

在Snake算法的迭代过程中，对目标曲线的初始位置设定具有重要意义。相对准确的初始位置设定，有利于提升仪表表盘区域定位的准确性，也会加快算法的执行速度。

所以，本文执行指针仪表圆盘区域检测之前，先用Hough变换进行初始定位。当然，因为受到图像模糊的影响，Hough变换检测到的会是一个圆环或椭圆环区域。将这个区域作为Snake算法的初始位置，会大大提升检测效果。

Snake算法进入迭代过程后，曲线位置的更新主要受到内力和外力的控制。但在传统Snake模型中，外力的控制作用较弱。为了达到更好的定位效果，本文提出基于修正力的改进，改进处理过程如下：

3 指针仪表表盘检测实验

为了验证本文方法对于指针仪表表盘区域检测的有效性，展开如下的实验研究。

实验过程中，计算机的配置为酷睿双核CPU，单核CPU主频2.0G赫兹，内存大小为8GB。

实验过程中，算法采用C++程序设计语言实现，传统Snake算法和本文改进的Snake算法，实验结果如图1所示。

图1中，（a）图为模糊的指针仪表图像，（b）图为执行Hough变换检测到的初始边界，（c）图为改进Snake算法最终检测到的表盘边界。

从实验结果中可以看出，指针仪表图像的模糊，使得表盘区域出现重影现象，常规的视觉检测方法无法有效检测到表盘区域。执行Hough变换检测，获得了表盘区域的两个极限位置，如图（b）中两条黑色实线的标记。在此基础上，进一步执行基于修正力的改进Snake算法，精确地定位到了表盘区域的边界，如图（c）中的黑色虚线的标记。

为了直观地比较本文方法的改进效果，通过多幅模糊指针仪表图像的检测，来考察其准确率，并将其和传统Snake方法、自适应Hough变换方法（此方法是圆边界定位比较理想的方法）的定位准确率进行对比，结果如图2所示。实验中，参与检测的模糊图像，其清晰度的客观评价参数Pearson相关系数都在[0.75，0.8]的区间上。

图2中，纵轴代表指针仪表表盘边界定位的准确率，横轴代表参与检测的模糊指针仪表图像的数量。

从图中两条曲线的对比情况可以看出，随着参与检测图像幅数的不断增加，传统Snake算法定位的准确率从82.5%下降到66.5%；自适应Hough变换方法的检测准确率从86%下降到68%；基于修正力的改进Snake算法定位的准确率也有所下降，从97.5%下降到88.5%。这表明，本文提出的基于修正力的改进Snake算法的检测准确率不仅大大高于传统Snake算法，也明显高于自适应Hough变换方法，从而充分证实了本文工作对于圆形表盘边界检测的有效性。

4 结 论

针对指针仪表模糊情况下的表盘检测，提出了一种基于修正力的改进Snake算法。改进过程中，引入了修正力参数，扩大了对目标曲线的控制范围，从而使得Snake算法检测的有效区域变大。同时，配合Hough变换算法，对模糊仪表表盘区域的内外极限区域进行初始定位，在极限区域内执行改进Snake算法检测。实验结果表明，基于修正力的改进Snake算法，可以更加精确地定位模糊指针仪表图像的表盘位置。

本文方法对于表盘位置的准确定位，也为表盘图像中其它特征（如刻度、指针、字符）建立了准确的相对定位基准，从而为指针式仪表的智能读数准确率提升奠定了基础。

参 考 文 献：

[1]何智杰， 张彬， 金连文. 高精度指针仪表自动读数识别方法[J]. 计算机辅助工程， 2006， 15（3）： 9-12.

[2]岳国义， 李宝树， 赵书涛. 智能型指针式仪表识别系统的研究[J]. 仪器仪表学报， 2003， 24（2）： 430-431.

[3]李栋， 杨志家. 基于机器视觉的指针仪表识读方法[J]. 仪表技术与传感器， 2012（10）： 31-33.

[4]KAUT H， SINGH R. A Review on Image Segmentation Techniques[J]. Pattern Recognition， 2014， 38（9）： 1277-1294.

[5]张文杰， 熊庆宇， 张家齐. 基于视觉显著性的指针式仪表读数识别算法[J]. 计算机辅助设计与图形学学报， 2015（12）： 2282-2295.

[6]张远辉， 张鼎， 许昌. 指针式仪表总体最小二乘图像校验算法[J]. 自动化仪表， 2015， 36（5）： 75-79.

[7]CI Gonzalez， P Melin， JR Castro and et.al. Optimization of Interval Type-2 Fuzzy Systems for Image Edge Detection[J]. Applied Soft Computing， 2016（47）： 631-643.

[8]李偉， 任娜娜， 胡艳侠. 基于机器视觉和LabVIEW的指针式仪表自动监测系统设计[J]. 自动化与仪器仪表， 2015（4）： 178-181.

[9]TIAN S， BHATTACHARYA U， LU S， et al. Multilingual Scene Character Recognition with Co-occurrence of Histogram of Oriented Gradients[J]. Pattern Recognition， 2016， 51（C）： 125-134.

[10]王延华， 李腾， 张沛. 结合HSV与局部Hough变换的指针式仪表识别算法[J]. 电子设计工程， 2017， 25（2）： 110-113.

[11]朱柏林， 郭亮， 吴清文. 基于ORB和改进Hough变换的指针仪表职能识读方法[J]. 仪表技术与传感器， 2017（1）： 29-33.

[12]靳海伟， 彭力， 卢晓龙. 基于轮廓跟踪的摔倒检测算法[J]. 江南大学学报（自然科学版）， 2015， 14（2）： 172-177.

[13]MUKHOPADHYAY P， CHAUDHUN BB. A Survey of Hough Transform[J]. Pattern Recognition， 2015， 48（3）： 993-1010.

[14]郭永彩， 郭瑞瑞， 高潮. 运动模糊图像点扩展函数的参数鉴别[J]. 仪器仪表学报， 2010， 31（5）： 1052-1057.

[15]王杰雄， 陈国栋， 陈怡. 改进的B-Snake模型肝脏CT图像分割算法[J]. 计算机工程与应用， 2015， 51（9）： 152-157.

[16]沈宋衍， 陈莹. 在线学习机制下的Snake轮廓跟踪[J]. 计算机工程， 2015， 41（4）： 195-198.

[17]王志勇， 王世超， 孙懿. 一种基于GVF-Snake模型边界探测的相位解缠算法[J]. 中国矿业大学学报， 2017（6）： 1394-1401

[18]许丽， 石伟， 方甜. 巡检机器人中的指针式仪表读数识别系统[J]. 仪器仪表学报， 2017， 38（7）： 1782-1790.

[19]尹红敏， 葛广英， 肖海俊. 基于Halcon的指针式仪表的读数[J]. 现代电子技术， 2016， 39（17）： 16-19.

[20]莫文雄， 裴利强， 黄青丹. 基于模板匹配和查表法的高精度指针式仪表自动检定系统研制[J]. 电测与仪表， 2017， 54（12）： 100-105.

（编辑：关 毅）